Artículo Académico / Academic Paper
Recibido: 05/11/2025, Aprobado tras revisión: 14/01/2026
Forma sugerida de citación: Cárdenas, J.; Colomé, G; Tapia, E. (2026). Adaptable de Generadores para Mejorar la
Estabilidad Transitoria en Sistemas con Integración de Generación Renovable”. Revista Técnica “energía”. No. 22, Issue II, Pp.
13- 23
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
Doi: https://doi.org/10.37116/revistaenergia.v22.n2.2026.724
© 2026 Autores Esta publicación está bajo una licencia internacional Creative Commons Reconocimiento
No Comercial 4.0
Adaptive Generator Tripping to Improve Transient Stability in Systems with
Renewable Generation Integration
Desconexión Adaptable de Generadores para Mejorar la Estabilidad
Transitoria en Sistemas con Integración de Generación Renovable
J.C. Cardenas1
0009-0007-2057-2830
D.G. Colomé1
0000-0002-2926-5366
E.A. Tapia2 0000-0002-3340-8278
1Universidad Nacional de San Juan CONICET, Instituto de Energía Eléctrica, San Juan, Argentina
E-mail: jcardenas@iee.unsj.edu.ar
E-mail: gcolome@iee-unsjconicet.org
2Delft University of Technology: Delft, South Holland, NL
E-mail: E.A.TapiaSuarez@tudelft.nl
Abstract
The massive integration of renewable energy sources,
such as wind and photovoltaic power, has altered the
dynamics of Power Systems (PS), reduced rotational
inertia and affected transient stability. To address this
challenge, this work applies to an Adaptive Generation
Tripping Scheme (AGTS) based on deep learning and
PMU measurements to adaptively identify and
disconnect in real time the critical generators
responsible for instability in a system with high
renewable energy penetration.
The proposed methodology employs a dynamic
database encompassing various operational scenarios
and n-1 contingencies to train a hybrid Recurrent
Convolutional Neural Network (RCNN) that identifies
the generators whose disconnection allows the system
to recover stability. The results demonstrate that the
model enables the recovery of transient stability with
minimal disconnection of conventional generation and
response times below 0.5 s, achieving accuracy and
effectiveness above 97%, thus confirming its potential
for real-time application in systems with high renewable
penetration.
Resumen
La integración masiva de fuentes de energías
renovables, como la eólica y la fotovoltaica, ha
modificado la dinámica de los Sistemas Eléctricos de
Potencia (SEP), reduciendo la inercia rotacional y
afectando la estabilidad transitoria. Ante este desafío, en
este trabajo se aplica el Esquema Adaptativo de
Desconexión de Generación (EADG) basado en
aprendizaje profundo y mediciones PMU para
identificar de forma adaptable y desconectar en tiempo
real los generadores críticos responsables de la
inestabilidad en un sistema con alta penetración de
generación basada en fuentes de energía renovable.
La metodología aplicada utiliza una base de datos
dinámica con distintos escenarios operativos y
contingencias n-1, para entrenar una red neuronal
híbrida RCNN que identifica los generadores cuya
desconexión permite recuperar la estabilidad del
sistema. Los resultados demuestran que el modelo
permite la recuperación de estabilidad transitoria con
una desconexión mínima de generación convencional y
tiempos de respuesta inferiores a 0.5 s, demostrando su
precisión y efectividad, mayores al 97%, y aplicabilidad
en tiempo real en sistemas con alta penetración
renovable.
Index terms Renewable energy, Transient stability,
Deep learning, Adaptive tripping scheme, PMU.
Palabras clave Energías renovables, Estabilidad
transitoria, Aprendizaje profundo, Esquema Adaptable
de desconexión de generación, PMU.
13
Edición No. 22, Issue II, Enero 2026
1. INTRODUCCIÓN
El objetivo global de descarbonizar la matriz
energética ha impulsado la incorporación masiva de
fuentes de energía renovable (FER) en los Sistemas
Eléctricos de Potencia (SEP). Los avances tecnológicos
y las políticas de sostenibilidad han favorecido su
expansión, aunque esta transición introduce nuevos
desafíos operativos al reducir la inercia y comprometer la
estabilidad del sistema [1].
La disminución de inercia afecta directamente la
estabilidad transitoria (ET), limitando la capacidad del
sistema para reaccionar ante perturbaciones severas
dentro de tiempos adecuados para una acción de control
efectiva [2]. En este contexto, se requiere el desarrollo de
metodologías más rápidas de evaluación y respuesta.
Los métodos tradicionales de análisis paso a paso son
ineficientes para su aplicación en tiempo real por su alta
demanda computacional [3], [4]. Los métodos directos,
aunque más rápidos, presentan limitaciones al no
considerar modelos dinámicos detallados [3].
Actualmente, las Unidades de Medición Sincrofasorial
(PMU) permiten evaluar la estabilidad en tiempo real
mediante minería de datos y aprendizaje profundo [3],
[4].
Sin embargo, la mayoría de estas metodologías
fueron desarrolladas bajo paradigmas de generación
convencional, reduciendo su eficacia en sistemas con alta
penetración renovable. En [5], se analizó el impacto de
las FER en la estabilidad de tensión de corto plazo
(ETCP) y la ET, concluyendo que la mayor presencia
renovable incrementa los casos de inestabilidad
transitoria debido a la pérdida de inercia.
Este trabajo toma como base los escenarios de [5],
focalizándose en los casos inestables transitorios. Sobre
ellos se aplica la metodología de identificación de
generadores críticos propuesta en [4], adaptándola a
sistemas con alta penetración renovable para
implementar un Esquema Adaptativo de Desconexión de
Generación (EADG).
El documento se organiza en cinco capítulos: el
Capítulo 2 aborda los fundamentos teóricos y
herramientas empleadas; el Capítulo 3, la metodología
aplicada; el Capítulo 4, los resultados obtenidos; y el
Capítulo 5, las conclusiones del estudio.
2. MARCO TEÓRICO
Para poner en contexto la presente investigación, se
presenta una serie de conceptos sobre estabilidad
transitoria y herramientas necesarias para aplicar la
metodología propuesta en [4] a sistemas con alta
penetración de generación basada en FER.
2.1 Estabilidad Transitoria
La ET se define como la capacidad del sistema
eléctrico para mantener el sincronismo tras una
perturbación severa. Esta condición depende de la
habilidad de los generadores síncronos (SG) para
restablecer el equilibrio entre el par mecánico
suministrado por la turbina y el par electromagnético
producido por la máquina [6].
El ángulo del rotor constituye la variable principal
para analizar este fenómeno, ya que refleja directamente
las oscilaciones del generador durante y después de una
falla. Dicho comportamiento se describe mediante la
ecuación del movimiento rotacional (ecuación 1):
(1)
Donde es la constante de inercia, la velocidad
angular nominal y el ángulo del rotor respecto al eje
síncrono.
Cuando este equilibrio se pierde, el ángulo del rotor
aumenta progresivamente, lo que puede conducir a la
pérdida de sincronismo del generador con el resto del
sistema. Este fenómeno caracteriza la inestabilidad
transitoria, manifestada por una divergencia del ángulo
rotórico.
Como medida de emergencia, se aplican esquemas de
desconexión automática de generación (DAG) o el
Esquema Adaptativo de Desconexión de Generación
(EADG) propuesto en [4], con el objetivo de preservar la
estabilidad global del sistema y mitigar el impacto de la
falla [7].
2.2 Modelos Dinámicos de Fuentes de Energía
Renovable (FER)
El creciente uso de fuentes de energía renovable,
especialmente eólica y fotovoltaica ha introducido
nuevos desafíos para la estabilidad de los sistemas
eléctricos de potencia. Con el fin de analizar su
comportamiento dinámico frente a contingencias, se
emplean los modelos desarrollados por el EPRI y
posteriormente validados y estandarizados por el WECC,
los cuales están implementados en plataformas de
simulación como PowerFactory, ampliamente utilizadas
en estudios de estabilidad [8].
Dado que la respuesta dinámica de estas fuentes
influye directamente en la estabilidad del sistema, su
modelado detallado resulta esencial. En los estudios de
flujo de carga, las plantas renovables se representan
como generadores conectados mediante transformadores
capaces de inyectar potencia activa y reactiva de forma
controlada, lo que permite mantener la tensión del
sistema cuando operan con factor de potencia constante
[9].
14
Cárdenas et al. / Desconexión adaptable para mejorar la estabilidad transitoria en sistemas con integración de renovable
Figura 1: Representación Esquemática de un Generador Eólico
Tipo 4 Conectado a Red. Fuente: [10]
En los análisis dinámicos, los generadores renovables
tipo 4, mostrados en la Figura 1, se modelan como
sistemas totalmente desacoplados de la red mediante
convertidores electrónicos de potencia. Según [10], estos
modelos de Recursos Basados en Inversores (IBR) se
fundamentan primordialmente en un control de corriente
de lazo interno rápido (fast inner-loop current control).
Es importante precisar que, si bien la literatura
distingue entre tecnologías seguidoras de red (Grid-
Following - GFL) y formadoras de red (Grid-Forming -
GFM), el nombre de un modelo genérico por sí solo no
determina su categoría. El presente estudio se centra en
el desempeño de inversores bajo una configuración que,
si bien es compatible con servicios auxiliares de
frecuencia y tensión, opera primordialmente bajo la
premisa de seguimiento de red (Grid-Following - GFL).
No obstante, se reconoce que la arquitectura de estos
modelos genéricos permite, mediante ajustes específicos,
representar comportamientos de formación de red (Grid-
Forming - GFM), asegurando la estabilidad global del
sistema ante perturbaciones.
2.3 Esquemas de Protección Especial
Los Esquemas de Protección Especial (SPE)
constituyen una estrategia avanzada dentro de los
sistemas eléctricos de potencia, diseñada para preservar
la estabilidad del sistema ante condiciones anormales.
Estos esquemas ejecutan acciones de control predefinidas
tras la ocurrencia de una contingencia, basándose en
simulaciones fuera de línea que consideran la seguridad
estática y dinámica del sistema [3].
A diferencia de las protecciones convencionales, que
actúan de forma local e independiente, los SPE operan de
manera coordinada a nivel sistémico, integrando
múltiples señales y dispositivos con el fin de evitar
colapsos de tensión, frecuencia o pérdida de sincronismo.
Su implementación permite mantener la integridad
operativa frente a perturbaciones severas.
Según el tipo de variable que desencadena su
actuación, los SPE pueden clasificarse en dos grupos:
• Basados en eventos, que se activan ante la
detección de una contingencia específica o una
combinación de fallas predefinidas.
• Basados en respuesta, que actúan al detectar
cambios en variables eléctricas medibles, como
la tensión o la frecuencia, una vez que el sistema
ha comenzado a desviarse de su condición
estable [4].
En [4], la EADG se plantea como un esquema de
protección especial adaptativo capaz de identificar
generadores críticos responsables de la pérdida de
estabilidad transitoria. A diferencia de los SPE
tradicionales, basados en escenarios predefinidos, el
esquema propuesto utiliza técnicas de aprendizaje
profundo (DL) mediante una red neuronal convolucional
recurrente (RCNN) entrenada con una amplia base de
datos que abarca numerosas y muy diversas condiciones
operativas y contingencias. De esta manera, el EADG
aprende directamente de la dinámica del sistema a partir
de mediciones PMU, permitiendo una decisión basada en
respuesta más rápida, precisa y generalizable ante
disturbios severos [4].
2.4 Deep Learning
La Inteligencia Artificial (IA) abarca técnicas
orientadas a la extracción de conocimiento a partir de
datos, donde el Aprendizaje Automático (ML) constituye
su base y el DL una extensión que utiliza múltiples capas
no lineales para extraer y transformar características
automáticamente [11], [12].
El DL ha mostrado alto rendimiento en aplicaciones
eléctricas como el pronóstico eólico, la predicción de
carga crítica y la mitigación de inestabilidades de tensión
[13], [14]. Si bien existen distintos modelos de DL, la
implementación de estructuras híbridas mejora el
desempeño al combinar las fortalezas de diferentes
arquitecturas [14]. En este trabajo se utiliza el modelo
híbrido CNN-LSTM propuesto en [4] y [14], que integra
la detección de patrones espaciales de las CNN con la
capacidad de las LSTM para capturar dependencias
temporales.
La integración de ambas arquitecturas conforma la
Red Neuronal Convolucional Recurrente (RCNN), capaz
de extraer simultáneamente las características espaciales
y temporales de las señales del sistema eléctrico,
mejorando así la precisión y robustez del proceso de
clasificación.
Figura 2: Modelo de Arquitectura de Red Hibrida [4]
15
Edición No. 22, Issue II, Enero 2026
En la Figura 2 se presenta la arquitectura del modelo
RCNN donde recibe como entrada series de tiempo
medidas por unidades PMU, que representan variables
del sistema eléctrico durante la falla y en los instantes
posteriores a su despeje. Estas series son transformadas
en tensores de datos, los cuales se procesan de forma
secuencial a través de capas convolucionales, LSTM y
capas de conexión completa (FC), para finalmente
realizar la clasificación de generadores críticos.
3. METODOLOGÍA DE DESCONEXIÓN
AUTOMÁTICA DE GENERADORES
La metodología de identificación de generadores
críticos adoptada en este trabajo se basa en la propuesta
de [4], estructurada en cuatro etapas principales:
construcción de la base de datos, selección de variables
representativas, etiquetado de generadores críticos y
entrenamiento del modelo híbrido RCNN.
En este estudio, se amplía la metodología al
incorporar FER en el sistema de prueba, generando una
nueva base de datos dinámica que incluye escenarios
operativos con generación eólica y fotovoltaica.
3.1 Bases de Datos
La generación de una base de datos adecuada
constituye un paso fundamental en metodologías basadas
en aprendizaje profundo, ya que el desempeño del
modelo depende directamente de la representatividad y
diversidad de los datos empleados. En este estudio, la
base de datos se desarrolla en dos etapas
complementarias: estática y dinámica.
En la primera etapa se realiza el cálculo del flujo
óptimo de potencia (OPF) considerando la integración de
fuentes de energía renovable (FER) en diferentes
escenarios operativos. Este procedimiento permite
definir el despacho de generación convencional y
renovable, reflejando la reducción de la inercia rotacional
asociada a la sustitución de unidades síncronas por
generación eólica y fotovoltaica.
En la segunda etapa se generan series de tiempo
mediante simulaciones de transitorios electromecánicos,
manteniendo constantes los escenarios de carga y la
topología del sistema, pero modificando el despacho de
generación para incluir FER. Estas simulaciones
permiten caracterizar la respuesta dinámica del sistema
ante distintas contingencias N-1, como cortocircuitos
trifásicos y salidas de generación.
La modelación de las plantas renovables se basa en el
modelo dinámico Tipo 4, que representa el
comportamiento del convertidor mediante bloques
funcionales (Figura 3) y control directo de tensión. El
etiquetado de los escenarios de estabilidad (estable,
inestable por ET o ETCP) sigue la metodología descrita
en [15], basada en la observación de la pérdida de
sincronismo y la respuesta del sistema tras las acciones
de control.
Figura 3: Diagrama de Bloques Funcionales del Modelo Dinámico
Tipo 4. Fuente: [16]
3.2 Selección de Variables de Entrada al Modelo
RCNN
Los datos de entrada del modelo RCNN para la
identificación de generadores críticos se conforman por
series de tiempo de variables eléctricas y mecánicas
representativas del comportamiento dinámico del
sistema. Estas variables deben ser capaces de reflejar con
claridad los fenómenos asociados a la pérdida de
sincronismo dentro de una ventana temporal reducida y
provenir de mediciones o estimaciones obtenidas
mediante PMU, lo que permite su implementación en
tiempo real.
En este estudio se emplean cuatro variables: magnitud
y ángulo de tensión (U, ), ángulo del rotor y
veloc
registran en barras con unidades generadoras y cargas
dinámicas, lo que permite obtener información sobre la
dinámica de los fenómenos que se desarrollan en el corto
plazo.
De acuerdo con [14] y [4], estas variables han
demostrado ser adecuadas para caracterizar tanto la
estabilidad de tensión de corto plazo como la estabilidad
transitoria. Así, el modelo RCNN utiliza como entradas
señales directamente medibles por PMU, sin requerir
información explícita sobre la topología del sistema o el
tipo y localización de la contingencia. Dichos aspectos se
encuentran implícitos en la base de datos dinámica
generada a partir de simulaciones, la cual debe
actualizarse y reentrenarse ante cambios en la red o en el
parque de generación.
3.3 Identificación de Generadores Críticos
Con la finalidad de etiquetar a los generadores que
son críticos, en todos los casos de la base de datos
clasificados como ET utilizando [14] y [15], para usarlo
como salida en el entrenamiento del modelo híbrido
RCNN, es necesario primero determinar a través de un
ranking de desconexión y simulaciones dinámicas las
plantas que al ser desconectadas son responsables de la
pérdida de estabilidad del sistema. Para ello se aplica la
propuesta de [4]:
3.3.1 Ranking de desconexión
El proceso inicial para formar el etiquetado de
generadores críticos consiste en elaborar una
clasificación de desconexión evaluando en el tiempo a los
generadores que alcanzan el límite teórico de estabilidad
±180° [17].
16
Cárdenas et al. / Desconexión adaptable para mejorar la estabilidad transitoria en sistemas con integración de renovable
El tiempo en el que alcanza dicho valor permite
establecer el orden de pérdida de sincronismo, generando
así un ranking temporal de las unidades más susceptibles
a la inestabilidad.
Para ejemplificar el procedimiento de construcción
del ranking de desconexión se muestra en la Figura 4 la
evolución del ángulo del rotor de los generadores
sincrónicos en un escenario con problemas por ET por
falla trifásica en una línea de transmisión en el sistema
IEEE New England de 39 barras.
En la Figura 4 se observa que el primer generador en
perder sincronismo es el G07, en celeste,
aproximadamente a los 850 ms, luego cien milisegundos
más tarde, lo hace G06, en verde, y así sucesivamente. A
partir de estos resultados se construye el ranking de
desconexión de la Tabla 3.1.
Figura 4: Evolución en el Tiempo del Ángulo de Rotor del
Generador Sincrónico (caso 770)
Tabla 3.1: Ranking de Desconexión (Caso 770)
Ranking
1°
2°
3°
4°
5°
6°
7°
Gen
G36
G35
G33
G34
G38
G37
G30
3.3.2 Etiquetado de generadores críticos
Una vez establecido el ranking de desconexión (Tabla
3.1), este conjunto de generadores se emplea en una
segunda etapa, donde se ejecutan nuevas simulaciones
dinámicas aplicando la desconexión acumulativa en el
mismo orden en que las máquinas perdieron sincronismo.
Después de cada desconexión, se evalúa si la acción
de control restaura la estabilidad del sistema. Caso
contrario, se continúa con la desconexión progresiva
según el ranking hasta alcanzar un estado estable.
Los generadores cuya desconexión permite recuperar
la estabilidad se etiquetan como críticos.
Para ilustrar esto, la Figura 5 muestra la evolución del
ángulo del rotor de los generadores tras aplicar la
desconexión del generador G07, primero en el ranking.
Se observa que, una vez ejecutada la acción de control, el
sistema recupera la estabilidad y los ángulos del rotor
tienden a estabilizarse. Por tanto, G07 se clasifica como
el único generador crítico, ya que, para este estado
operativo y contingencia, su desconexión logra
restablecer la estabilidad y evitar la propagación de la
inestabilidad en el sistema.
Figura 5: Mitigación de la Inestabilidad Mediante la Desconexión
del Generador G36 Según el Ranking
Aquí la metodología propuesta adquiere especial
relevancia al incorporar un ranking de desconexión que
permite priorizar las unidades generadoras más
influyentes en la pérdida de estabilidad. Este enfoque
posibilita una acción más selectiva y eficiente, evitando
desconexiones innecesarias y preservando la mayor
cantidad posible de generación en servicio, lo que
optimiza la respuesta del sistema ante contingencias
severas.
3.4 Modelo RCNN
3.4.1 Preprocesamiento de datos
Antes del entrenamiento, los datos se transforman a
un formato compatible con las capas iniciales del
modelo, en especial las convolucionales, representándose
como un tensor tridimensional cuyos ejes corresponden
al número de barras (B), muestras temporales (T) y
variables eléctricas seleccionadas. En las barras donde no
existen generadores o motores, los valores
correspondientes al ángulo del rotor y a la velocidad
angular se completan con un valor de 1 pu, a fin de
mantener la dimensionalidad y consistencia de las series
temporales utilizadas en el entrenamiento del modelo.
El eje T define las muestras dentro de una ventana
temporal de 140 ms, suficiente para captar la dinámica
inmediatamente posterior a la contingencia. El eje B
representa las barras con generación y cargas dinámicas,
mientras que el tercer eje agrupa las cuatro variables:
da se
En los casos estables o inestables ETCP todos los
generadores se etiquetan con valor cero, dado que en
estos casos no se presentan generadores críticos.
Finalmente, se aplica una normalización z-score,
ajustando las variables a media cero y varianza unitaria
para unificar sus escalas [14].
3.5 Métricas de desempeño
Dado que el modelo de aprendizaje predice conjuntos
de generadores críticos, la métrica de evaluación del
rendimiento se fundamenta en la similitud entre
conjuntos.
Para ello, se emplea el Índice de Jaccard, que
cuantifica el grado de similitud entre dos conjuntos de
17
Edición No. 22, Issue II, Enero 2026
elementos [4], según la ecuación (2).
(2)
Donde [0,1] y (S, S) = 1.
Para este caso la clasificación es considerada correcta
cuando (
,) = 1, siendo
el conjunto predicho por
la maquina y el conjunto de valores verdaderos.
En este trabajo se utilizan las tres métricas basadas en
el índice Jaccard definidas en [4] y [14]:
El Índice de Precisión Jaccard (JACC) evalúa el
rendimiento global del modelo, considerando tanto los
casos estables como los inestables. En los casos estables
o inestables ETCP, se espera que el modelo no
identifique generadores críticos. El Índice Jaccard para
casos inestables (JACCU) mide el desempeño tomando
en cuenta solo los escenarios inestables transitorios.
Por su parte, el Índice de Efectividad Jaccard
(JACCUE) determina la capacidad del modelo para
predecir conjuntos de generadores suficientes que eviten
la inestabilidad transitoria. A diferencia de otros
indicadores, no penaliza las predicciones con
generadores adicionales, siempre que el conjunto
estimado incluya a todos los clasificados como críticos.
Así, JACCUE refleja la efectividad del modelo en
mitigar la pérdida de sincronismo, priorizando la
restauración de la estabilidad del sistema sobre la
coincidencia exacta con las etiquetas. Si el modelo
predice menos generadores o un conjunto incompleto, no
es suficiente para mitigar la inestabilidad.
4. ANALISIS DE RESULTADOS
El análisis se realiza sobre el sistema IEEE New
England de 39 barras, Figura 6, mediante la
incorporación de 600 MW de generación eólica y 600
MW de generación fotovoltaica, ubicadas en las barras
34, 32 y 33, seleccionadas por su mayor potencial
renovable [5]. Cada parque fotovoltaico se modela con
dos centrales de 100 MW, mientras que cada parque
eólico está conformado por 100 aerogeneradores de 2
MW, configuraciones que reflejan las características
típicas de los parques modernos [5].
Figura 6: Sistema New England 39 Barras con Penetración de
Energías Renovables [5]
4.1 Bases de Datos
La base de datos empleada en este estudio se
desarrolla a partir de la metodología aplicada en [5],
donde se detalla el procedimiento completo de
generación y etiquetado de escenarios.
El conjunto final está conformado por 9883
escenarios convergentes, obtenidos del cálculo del flujo
óptimo de potencia (OPF) en PYPOWER, agrupados en
tres bandas horarias: valle, resto y pico. Cada banda
incluye la integración de 600 MW de generación eólica y
600 MW fotovoltaica, representando condiciones
operativas con alta penetración de fuentes renovables.
Los resultados del cálculo OPF se resumen en la Tabla
4.1.
Tabla 4.1: Resultado de Cálculo de Flujo de Carga Óptimo
Banda horaria
Casos con FER
Convergen
No convergen
Valle
3335
3
Resto
4541
20
Pico
2007
94
Total
9883
117
A partir de los escenarios obtenidos en el flujo óptimo
de potencia, se ejecutaron simulaciones dinámicas RMS
en DIgSILENT PowerFactory, generando un conjunto
etiquetado según el estado de estabilidad del sistema, tal
como se muestra en la Tabla 4.2.
Las perturbaciones aplicadas corresponden a
cortocircuitos trifásicos despejados a los 80 ms y
desconexiones de generación aplicadas a los 200 ms del
inicio de la simulación.
Tabla 4.2: Clasificación de Estado de Estabilidad por Banda
Horaria
Banda Horaria
Flag
Estado
#Casos
Valle
0
Estable
3236
1
ET
94
2
ETCP
5
Pico
0
Estable
1435
1
ET
451
2
ETCP
121
Resto
0
Estable
3259
1
ET
984
2
ETCP
298
Total, Estables
7930
Total, inestables ET
1529
Total, inestables ETCP
424
4.2 Evaluación de Generadores Críticos
En los 1529 casos identificados como inestables
transitorios, el primer paso en la clasificación de
generadores críticos consiste en formar el conjunto o
ranking de máquinas que pierden sincronismo, ordenadas
según el instante temporal en que ocurre dicha pérdida.
Posteriormente, se evalúa la estabilidad del sistema
aplicando la desconexión progresiva de los generadores
en el orden establecido. Este procedimiento permite
determinar cuáles unidades, al ser desconectadas,
restablecen la estabilidad del sistema, por tanto,
18
Cárdenas et al. / Desconexión adaptable para mejorar la estabilidad transitoria en sistemas con integración de renovable
clasificándolas como críticas.
Figura 7: Número de Generadores que Pierden Sincronismo
Frente a Generadores Etiquetados como Críticos
La Figura 7 muestra sobre el conjunto de casos
inestables transitorios, la comparación entre la cantidad
de generadores que pierden sincronismo y aquellos que
son realmente críticos y provocan la inestabilidad del
sistema. Se observa que, para el caso de cinco
generadores, existen 618 casos aproximadamente, el 40
% del total en los que las máquinas pierden sincronismo.
Sin embargo, en solo 306 casos, cerca del 20 %, son cinco
los generadores efectivamente críticos. Otra situación se
presenta en los casos con nueve generadores en el
ranking, 2 % de los escenarios, donde en ningún caso fue
necesario desconectar los nueve. De esto se concluye
que, aunque en condiciones críticas puedan llegar a
perder sincronismo hasta el 90 % de las unidades, no es
indispensable desconectar todas para recuperar la
estabilidad.
La metodología propuesta demuestra que es posible
restablecer el sistema mediante la desconexión de un
número reducido de generadores, optimizando así la
respuesta de control ante eventos severos.
4.3 Diseño del modelo RCNN
El modelo híbrido RCNN tiene como objetivo
identificar los generadores críticos responsables de la
pérdida de sincronismo ante inestabilidad transitoria.
Como entradas, utiliza tensores tridimensionales
formados por series de tiempo de las variables eléctricas
del sistema como se explica en el punto 3.4.1. La salida
del modelo consiste en un vector binario donde los
generadores críticos se etiquetan con valor 1 en los casos
etiquetados como ET, mientras que en los casos estables
o con problemas de ETCP se asigna el valor 0.
Basado en estudios previos sobre estabilidad
transitoria con DL [4], y considerando la naturaleza del
problema, se adopta la arquitectura híbrida mostrada en
la Figura 8.
Figura 8: Modelo de Arquitectura de Red Híbrida
El modelo híbrido RCNN combina una red
convolucional (CNN) y una LSTM, integrando el análisis
espacial y temporal de las señales eléctricas. La CNN está
conformada por tres capas convolucionales con 64, 32 y
4 filtros, kernel de 3×3 y función de activación ReLU,
seguidas de operaciones de max pooling (2×2), Batch
Normalization y un Dropout de 0.1 para reducir el
sobreajuste. Las salidas se aplanan (flattening) y se
conectan a una capa densa de 32 neuronas.
Posteriormente, la LSTM, con 128 unidades y
función de activación tanh, captura las dependencias
temporales de las señales aplicando normalización por
capas para estabilizar el entrenamiento.
Finalmente, las características extraídas se procesan
en una capa densa de 64 neuronas con regularización L2,
seguida de una capa de salida con 9 neuronas con función
activación sigmoide, que actúa como clasificador y
estima la probabilidad de que cada generador sea crítico.
Antes del entrenamiento, se definieron los
hiperparámetros que controlan el proceso de aprendizaje
del modelo, los cuales fueron ajustados siguiendo el
esquema propuesto en [4]. La Tabla 4.3 resume los
principales hiperparámetros de entrenamiento utilizados.
Tabla 4.3: Hiperparámetros del Modelo [4]
Hiperparámetros de
entrenamiento
Funciones / parámetros
elegidos
Función de pérdida
Weighted Cross-Entropy
(WCE), = 0.001
Algoritmo de optimización
Adam, learning rate = 0.0001
Técnica de inicialización
Glorot Uniform
Batch size
64
Épocas
1000
El objetivo de ajustar hiperparámetros es mejorar la
estabilidad del entrenamiento y la capacidad de
generalización del modelo, evitando el sobreajuste.
4.4 Entrenamiento del Modelo
Durante el entrenamiento, el modelo ajusta de forma
iterativa los pesos y sesgos internos para minimizar la
diferencia entre las predicciones y los valores reales.
19
Edición No. 22, Issue II, Enero 2026
El modelo se entrena utilizando una ventana temporal
de 140 ms para las series de tiempo (U, diseñada
para capturar la respuesta dinámica del sistema durante
la perturbación o contingencia y después de su despeje en
caso de fallas. Los datos presentan una frecuencia de
muestreo de 100 Hz, característica de las PMU.
Los datos se dividen aleatoriamente en un 85 % (8400
casos) para el conjunto de entrenamiento que incluye
validación interna durante el proceso de ajuste y un 15
% (1483 casos) para prueba, preservando la proporción
de los distintos estados de estabilidad del sistema.
El desempeño del modelo se evalúa mediante su
función de pérdida, que cuantifica la discrepancia entre
las predicciones y los valores reales. Este análisis permite
diagnosticar problemas de sobreajuste (overfitting) o
subajuste (underfitting), además de verificar la
representatividad de los conjuntos de entrenamiento y
validación durante el proceso de aprendizaje.
Con el fin de evaluar el comportamiento del modelo
y verificar que no se presenta sobreajuste se muestra en
la Figura 9 el resultado del entrenamiento. En esta figura
se observa que, con un entrenamiento de 300 épocas, las
curvas de pérdida de entrenamiento y validación
convergen de forma estable, lo que indica que el modelo
alcanza un equilibrio adecuado entre aprendizaje y
generalización.
Figura 9: Respuesta de Función de Pérdida con 300 Épocas
Adicionalmente, se realizó el entrenamiento
independiente de los módulos que integran la
arquitectura híbrida con el fin de evaluar el desempeño
individual de cada algoritmo. El primer componente
consiste en una red neuronal convolucional (CNN)
estructurada con tres capas ocultas de 64, 32 y 4 filtros,
respectivamente, empleando un tamaño de núcleo
uniforme de 3×3. El segundo componente corresponde a
una red de memoria a largo plazo (LSTM) configurada
con una unidad de memoria de 128 neuronas. Como se
observa en la Figura 10, la curva de aprendizaje
demuestra que el modelo híbrido RCNN alcanza una
convergencia superior, obteniendo la menor función de
pérdida en comparación con las arquitecturas evaluadas
por separado.
Figura 10: Respuesta de Función de Perdida de Modelos CNN,
LSTM y RCNN
4.5 Resultados de Desempeño
Posterior al proceso de entrenamiento, el modelo se
evalúa mediante las métricas de desempeño tanto en el
conjunto de entrenamiento como en el conjunto de
prueba, con el objetivo de verificar su capacidad para
obtener buenos resultados ante casos no conocidos, Tabla
4.4.
Tabla 4.4: Métricas de Desempeño para Modelo Entrenado con
300 Épocas
Datos de
entrenamiento
Datos de
prueba
JACC [%]
99,16%
99,47%
JACCU [%]
95,16%
97,20%
JACCUE [%]
98,10%
98,72%
La Tabla 4.4 muestra que el modelo RCNN alcanza
un desempeño consistente entre los conjuntos de
entrenamiento y prueba, evidenciando una correcta
capacidad de generalización.
Para evaluar la efectividad del modelo híbrido de
aprendizaje profundo, en la Tabla 4.5 se compara el
resultado de desempeño frente a sus modelos
independientes CNN y LSTM. Como se puede observar
el modelo que mejores resultados tiene es el modelo
Hibrido con un rendimiento por encima del 97%.
Tabla 4.5: Métricas de Desempeño entre Modelos de Aprendizaje
CNN, LSTM y RCNN
CNN
LSTM
RCNN
JACC [%]
99,02%
98,85%
99,47%
JACCU [%]
93,72%
92,70%
97,20%
JACCUE [%]
97,17%
96,30%
98,72%
Las métricas JACC, JACCU y JACCUE reflejan una
alta precisión y efectividad en la identificación de
generadores críticos, sin indicios de sobreajuste.
Estos resultados demuestran que el modelo logra
mantener un equilibrio entre aprendizaje y validación,
asegurando una respuesta confiable ante nuevos
escenarios operativos y contingencias no vistas durante
el entrenamiento.
20
Cárdenas et al. / Desconexión adaptable para mejorar la estabilidad transitoria en sistemas con integración de renovable
4.6 Aplicación en Tiempo Real del Modelo RCNN
La implementación del EADG requiere la ejecución
en tiempo real del modelo RCNN, el cual identifica los
generadores críticos responsables de la pérdida de
estabilidad transitoria. A partir de esta salida se define el
conjunto de unidades a desconectar, configurando así el
EADG de forma adaptativa según la contingencia y las
condiciones operativas del sistema.
El tiempo total de evaluación depende de la duración
de la ventana temporal utilizada para la clasificación de
generadores críticos y de la capacidad de cómputo del
sistema donde se ejecuta.
Considerando el tiempo de procesamiento del modelo
y los retrasos propios de la operación en línea, la Figura
11 muestra la secuencia temporal completa necesaria
para aplicar el esquema.
Figura 11: Línea de Tiempo del Esquema EADG en Operación en
Tiempo Real
En la Figura 11 se muestran las etapas que conforman
la secuencia temporal del esquema EADG en operación.
La ventana de datos (2) que registra las variables durante
la falla (1) y en posfalla ocupa 140 ms, seguida por la
adquisición y transmisión de información mediante PMU
(3), que requiere 100 ms [4]. El preprocesamiento de
datos (4), necesario para normalizar y estructurar las
series temporales, demanda aproximadamente 3,9 ms,
mientras que la clasificación de generadores críticos con
el modelo RCNN (5) se realiza en 50 ms. Posteriormente,
la transferencia de la señal de control (6) presenta una
latencia de 10 ms, y la acción final de los interruptores
(7) se ejecuta en 40 ms [4], completando un tiempo total
aproximado de 424 ms desde la ocurrencia de la falla.
En la Figura 12 se muestra un ejemplo representativo
del comportamiento del EADG en condiciones de
operación en tiempo real, donde se evalúa la respuesta
del sistema ante una falla severa. La figura muestra la
evolución del ángulo del rotor de un generador crítico
comparando los casos con y sin la acción del esquema.
Cuando el EADG se activa a los 0.5 segundos, la
máquina mantiene el sincronismo (curva naranja),
mientras que, sin su aplicación, se observa una pérdida
de estabilidad (curva azul). Este comportamiento
confirma la efectividad del esquema, cuya acción
oportuna evita que el ángulo del rotor exceda el límite de
±180°, preservando la estabilidad transitoria del sistema.
Figura 12: Respuesta Dinámica del Sistema con y sin Acción del
EADG
Se observa que, ante la contingencia a los 120 ms del
inicio de la simulación, la ventana de medición de 140
ms, la cual resulta suficiente para capturar la respuesta
dinámica del sistema para lograr la clasificación
temprana del generador crítico.
Esta duración de 140 ms se determinó en función del
tiempo necesario para que las variables eléctricas (ángulo
de rotor, tensión y velocidad) presenten sus primeras
variaciones significativas tras la falla y que a la vez
permita la correcta predicción temprana de los
generadores críticos con altos valores de precisión y
efectividad (superiores al 97 %), logrando un desempeño
adecuado del EADG en tiempo real, como se evidencia
en la Figura 12.
Tal como se describe en la sección 3.2, cualquier
modificación en los parámetros de generación de la base
de datos incluyendo cambios en la topología de la red,
el tipo de contingencia o la localización de la falla
requiere un reentrenamiento del modelo de aprendizaje
para garantizar la fiabilidad del desempeño. En este
contexto, se evaluó la sensibilidad del modelo RCNN
ante variaciones en el tiempo de despeje de falla (TDF),
incrementándolo de 80 ms a 90 ms en diez casos
seleccionados aleatoriamente con etiqueta de
inestabilidad transitoria (ET). Los resultados
evidenciaron una reducción significativa en la capacidad
de generalización del modelo, traduciéndose en una
predicción deficiente de los generadores críticos,
únicamente prediciendo bien 4 de los 10 casos probados.
Estos hallazgos confirman que la ventana temporal de
despeje es una variable crítica que debe ser integrada en
el proceso de entrenamiento para asegurar la robustez del
sistema ante escenarios operativos más exigentes.
5. CONCLUSIONES Y RECOMENDACIONES
La metodología de definición del EADG basada en la
predicción de generadores críticos con aprendizaje
profundo constituye una alternativa efectiva frente a los
esquemas tradicionales de desconexión de generación
aún en sistemas con alta penetración de generación de
FER. El EADG aplicado considera una amplia gama de
escenarios operativos y contingencias que incluyen la
inserción de FER, determinando acciones específicas de
21
Edición No. 22, Issue II, Enero 2026
desconexión en función de la respuesta dinámica del
sistema.
El esquema demuestra que no es necesario
desconectar todas las unidades que pierden sincronismo,
sino únicamente aquellas identificadas como críticas por
la RCNN, lo que permite preservar la estabilidad del
sistema con una mínima reducción de generación.
El modelo híbrido RCNN aprovecha la información
temporal y espacial contenida en las señales del sistema,
logrando una clasificación precisa de los generadores
críticos sin requerir información sobre la topología de la
red ni el tipo de contingencia aplicada. Sus métricas de
desempeño superiores al 97 % confirman su capacidad de
generalización y la eficacia del enfoque propuesto.
El análisis temporal demuestra que el esquema es
capaz de operar en tiempo real, con tiempos de respuesta
inferiores a 0.5 s, incluyendo adquisición,
preprocesamiento, clasificación y acción de control. Este
margen es suficiente para evitar la pérdida de
sincronismo en los casos más críticos.
Como líneas de trabajo futuro, se propone evaluar la
robustez del modelo frente a mediciones con ruido y a la
incertidumbre de la generación basada en FER, con el fin
de identificar la configuración que ofrezca el mejor
balance entre precisión, velocidad y capacidad de
generalización.
6. AGRADECIMIENTOS
Los autores agradecen al Servicio Alemán de
Intercambio Académico (Deutscher Akademischer
AustauschdienstDAAD) y al programa de Maestría en
Ingeniería Eléctrica de la Universidad Nacional de San
Juan de Argentina.
7. REFERENCIAS BIBLIOGRÁFICAS
[1] A. Sajadi, R. M. Kolacinski, K. Clark, and K. A.
Wind Power Plant Integration Planning Studies -
Part I: Short- IEEE Trans Ind Appl,
vol. 55, no. 1, pp. 182192, Jan. 2019, doi:
10.1109/TIA.2018.2868550.
[2]
Dynamic Impact on Short-
in 2019 FISE-IEEE/CIGRE Conference - Living the
Energy Transition (FISE/CIGRE), Medellin,
Colombia, 2019, pp. 16. doi:
10.1109/FISECIGRE48012.2019.8985015.
[3]
Evaluación de la Estabilidad Transitoria en Tiempo
Real Utilizando Medicion
Revista Técnica “Energía,” vol. 9, no. 1, Jan. 2013,
doi:
10.37116/REVISTAENERGIA.V9.N1.2013.133.
[4]
Generator Tripping Scheme based on Deep Learning
as Real Time Control Action for Transie
WSEAS Transactions on Power Systems, vol. 20, pp.
113, 2025.
[5] G. Guañuna, J. Cárdenas, D. G. Colomé, E. Tapia, J.
Renovable en la Estabilidad Transitoria y la
Estabilidad de Tensión de Corto Actas del
XII Simposio Internacional sobre Calidad de la
Energía Eléctrica – SICEL 2025, Comité Técnico
del SICEL 2025, Ed., San Juan, Oct. 2025.
[6] M. Kazmierkowski
control [review of "Power System Dynamics:
Stability and Control, second edition (Machowski,
IEEE Industrial
Electronics Magazine, vol. 3, no. 4, pp. 6969, Dec.
2009, doi: 10.1109/MIE.2009.934783.
[7] Hadi Saadat, Power System Analysis, 1st edition.
Burr Ridge, IL, USA: WCB / McGraw-Hill, 1999.
[8]
Available:
https://www.epri.com/research/products/000000003
002014083
[9]
Generator Models Template Documentation,
Gomaringen, Germany.
[10]
User Guide for Generic Renewable Energy System
[11] S. M. Miraftabzadeh, M. Longo, F. Foiadelli, M.
of Machine Learning Techniques for Power System
Energies 2021, Vol. 14, Page
4776, vol. 14, no. 16, p. 4776, Aug. 2021, doi:
10.3390/EN14164776.
[12] V. S. Agneeswaran, P. Tonpay, and J. Tiwary,
Big Data, vol. 1, no. 4, pp. 207214,
Dec. 2013, doi: 10.1089/BIG.2013.0006.
[13] L. Zhu, C. Lu, Y. Liu, W. Wu, and C. Hong,
-based light-duty time series learning
machine for short-term voltage stability
IET Generation, Transmission and
Distribution, vol. 11, no. 18, pp. 44924499, Dec.
2017, doi: 10.1049/IET-GTD.2016.2074.
[14] E. A. Tapia, D. G. Colomé, and J. L. R. Torres,
-Based
Assessment of Power System Transient Stability and
Short- Energies (Basel),
vol. 15, p. 9240, 2022, doi: 10.3390/en15239240.
[15] E.
Estabilidad de Corto Plazo y Discriminación de
22
Cárdenas et al. / Desconexión adaptable para mejorar la estabilidad transitoria en sistemas con integración de renovable
2022
IEEE Biennial Congress of Argentina
(ARGENCON), San Juan, Argentina, 2022, pp. 17.
doi: 10.1109/ARGENCON55245.2022.9939901.
[16] M. Nuschke, S. Lohr, A. Guironnet, and M. Saugier,
WECC Photovoltaics and Wind Turbine Generator
Proc. 14th Int. Modelica
Conf., Linköping, Sweden, 2021, p. 642. doi:
10.3384/ecp21181633.
[17]
Generadores Críticos ante Problemas de Estabilidad
Revista Técnica “energía,” vol. 21, no.
2, pp. 1119, Jan. 2025, doi:
10.37116/revistaenergia.v21.n2.2025.684.
Julio César Cárdenas. - recibió el
título de Ingeniero Eléctrico de la
Universidad Politécnica Salesiana,
Cuenca, Ecuador en 2021.
Actualmente cursa la Maestría en
Ingeniería Eléctrica en la
Universidad Nacional de San Juan
(UNSJ), Argentina. Sus áreas de
investigación corresponden al análisis de estabilidad
transitoria de Sistemas Eléctricos de Potencia.
Estefanía Alexandra Tapia
Suárez. - recibió el título de
Ingeniera Eléctrica de la Escuela
Politécnica Nacional, Quito,
Ecuador en el 2015 y de Doctora en
Ingeniería Eléctrica de la
Universidad Nacional de San Juan
(UNSJ), Argentina en el 2023.
Posteriormente, se incorporó como
investigadora en Inteligencia Artificial en AIMEN
Centro Tecnológico, Vigo, España, liderando proyectos
relacionados con el consumo energético y la
optimización de procesos industriales mediante análisis
de datos y aprendizaje automático. Actualmente, se
desempeña como Investigadora Posdoctoral en TU Delft,
Países Bajos. Sus líneas de investigación incluyen la
dinámica de sistemas eléctricos de potencia, estabilidad
de voltaje, aplicaciones de sincrofasores, aprendizaje
automático e inteligencia artificial aplicados a sistemas
eléctricos.
Delia Graciela Colomé. - es
Doctora en Ingeniería Eléctrica,
egresada de la Universidad
Nacional de San Juan (UNSJ),
Argentina, 2009. Profesora y
Consultora del Instituto de Energía
Eléctrica (IEE), UNSJ - CONICET.
Coordinadora de la carrera de
Ingeniería Eléctrica (2011-2018) y
directora del Departamento de Posgrado de la Facultad
de Ingeniería (2016-2021). Actualmente es directora de
tesis de posgrado, y de proyectos de investigación y
transferencia de tecnología. Sus principales campos de
investigación son: modelado, simulación, supervisión,
estabilidad y control de sistemas eléctricos de potencia.
23
